基于HHT的电力系统谐波分析

鉴于现有电力系统谐波检测与分析方法的不足,用希尔伯特-黄变换(HHT)进行谐波分析.该方法由两部分组成.首先对谐波信号作经验模态(EMD)分解,得到满足一定条件的固有模态信号(IMF),然后用希尔伯特变换求其瞬时频率和瞬时幅值.该方法适用于非线性非平稳信号的分析,具有概念清晰、计算简单的优点.仿真研究表明,用HHT方法进行电力系统谐波分析是可行的,与傅立叶变换和小波变换等现有方法比较,有很多独特的优点.     

基于变分模态分解和希尔伯特变换的转子非平稳信号故障特征识别

为了提升传统希尔伯特黄变换在处理复杂非平稳信号时的时频分析能力,本文将变分模态分解和希尔伯特变换进行结合,提出了一种时频分析方法变分模态分解和希尔伯特变换。此外,为了对变分模态分解的模态数进行自动调整,还提出了一种基于相关系数的希尔伯特黄变换参数优化方法,有效避免了由于希尔伯特黄变换模态数设置不合理而导致的信号分解不足和分解过剩的问题。利用转子故障信号对变分模态分解和希尔伯特变换方法的时频分析能力进行了验证,并且与传统希尔伯特黄变换的对比突出了该方法在处理非平稳信号中的优势。     

HHT算法在电力系统谐波分析中的应用研究

针对电力系统谐波检测的问题,采用希尔伯特-黄算法对电力系统谐波信号进行分析.在阐述了希尔伯特-黄算法原理的基础上,分别使用平稳和突变的谐波信号对希尔伯特-黄算法进行了验证.并利用Matlab/Simulink平台构建电力系统谐波源模型,研究希尔伯特-黄算法在实际电力系统中的应用.研究、仿真结果表明,希尔伯特-黄算法在分析电力谐波时,能准确分析出各次谐波的瞬时频率和瞬时幅值以及波动时刻.     

基于CEEMDAN-Hilbert-CNN的滚动轴承故障诊断

在故障诊断方面,针对希尔伯特黄变换信号分解存在模态混叠和人工神经网络面对高维数据收敛性差、特征分类误差大等问题,提出一种改进的希尔伯特黄变换与卷积神经网络相结合的滚动轴承故障诊断的新方法:将希尔伯特黄变换的经验模态分解替换为自适应白噪声的完整经验模态分解,并与卷积神经网络相结合。提出的滚动轴承故障诊断新方法进行故障诊断过程:首先应用改进的希尔伯特黄变换对数据进行处理得到一个瞬时频率矩阵,然后将瞬时频率矩阵进行重构,最后搭建卷积神经网络,将重构数据输入卷积神经网络进行分类。经反复实验并与已有方法进行比较,可验证所提出的方法是合理且行之有效的。     

基于apFFT-AMD的密集频率谐波/间谐波检测

针对电力谐波信号中含有密集频率的谐波/间谐波问题,提出全相位快速傅里叶变换（apFFT）与解析模态分解法（AMD）相结合的检测方法. 由于AMD在分解前需要确定信号中各个频率成分,应用apFFT对待分析信号进行频谱分析,得到频谱中各个频率的值;通过apFFT相位谱的平坦特性来判断信号中是否含有密集谱频率成分,获得密集频谱谐波/间谐波频率的大概位置,若含有密集频谱成分,对信号中的密集频段使用量子粒子群进行优化,寻找最佳的二分频率;通过各个频率成分之间的二分频率,利用AMD方法将电力谐波信号分解为一系列的单频信号分量,以完成含有密集频率的谐波测量. 与希尔伯特-黄变换法（HHT）相比,该方法对于含有密集频率的谐波/间谐波信号分解效果更好. 仿真和实验结果都表明了该方法的有效性和准确性.     

基于改进HHT的奇异值分解和马氏距离的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性以及故障诊断样本总量少的特点,提出一种基于改进希尔伯特-黄变换的奇异值分解和马氏距离相结合的故障诊断方法。首先,采用改进经验模态分解方法将所测不同工况下的滚动轴承信号分解成多阶固有模态函数,并根据各模态函数的特性选取对各工况信号敏感的模态分量;其次,对敏感模态函数分量组成的特征向量进行奇异值分解,并以分解结果的期望值作为诊断的特征值;最后,将马氏距离判别算法应用于滚动轴承的工况和类型判别。试验结果表明,本文所提方法能有效识别出滚动轴承的工作状态,具有一定的应用价值。     

基于希尔伯特-黄变换的低信噪比语音端点检测

应用希尔伯特-黄变换完成了一种低信噪比条件下的语言信号端点检测。该方法通过分析纯净语音信号与低信噪比下语音信号的固有模态函数及希尔伯特谱,找出固有模态函数中语音信号能量集中的分量,分析其希尔伯特谱,自适应地选取阈值进行语音段与非语音段的检测。通过对比实验表明了该方法在低信噪比下能有效地检测出语音信号。     

基于改进HHT的微弱故障信号特征提取方法

针对微弱故障信号故障特征难以提取的问题,提出一种基于改进希尔伯特-黄变换的故障特征提取方法。该方法首先采用平均总体经验模态分解将故障信号分解成一系列固有模态函数,再选取对故障特征敏感的固有模态函数进行希尔伯特谱和边际谱分析,从中提取故障特征。仿真和实际试验证明:希尔伯特谱和边际谱能够清晰呈现故障信号时域和频域内的细微特性,为微弱故障信号的特征提取提供了一种切实可行的方法。     

基于Hilbert-Huang变换理论的语音增强初探

希尔伯特-黄变换是新发展起来强有力的非线性、非稳态信号处理方法．它从信号自身出发自适应地产生具有物理意义的基函数,而不是人为地设定变换的基函数．该文将这一全新的方法应用到语音信号处理．希尔伯特-黄变换基于信号的局部特征时间尺度,能把复杂的信号分解为有限的内在模态函数之和,这种自适应的分解方法非常适于非线性和非平稳过程的分析．实验表明,希尔伯特-黄变换适于语音信号处理,有广阔地应用前景．结合小波变换的分析表明,该方法在语音去噪方面优于小波变换．     

提取混沌中谐波信号的时频方法

首先采用谐波小波变换将观测信号分解成窄带信号,然后使用经验模态分解方法将每一个窄带信号分解为有限个内禀模态函数(IMFs),根据功率谱密度选取内禀模态函数,提取谐波信号。该方法的性能可由噪声缩减因子和相关系数两个指标度量。理论分析和仿真实验表明,在信噪比不太低的情况下,该方法对提取淹没在混沌和噪声背景下的谐波信号非常有效。